Bittensor adalah harapan seluruh desa Crypto

Penulis: 0xai

Dengan ini mengucapkan terima kasih kepada @DistStateAndMe dan timnya atas kontribusi mereka di bidang model AI sumber terbuka, serta atas saran dan dukungan berharga yang diberikan dalam artikel ini.

Mengapa Anda harus memperhatikan laporan ini

Jika “pelatihan AI terdesentralisasi” telah berubah dari tidak mungkin menjadi mungkin, seberapa besar Bittensor diremehkan?

Awal tahun 2026, seluruh komunitas Crypto dipenuhi rasa lelah.

Sisa-sisa bull market sebelumnya sudah hilang, dan talenta semakin mengalir ke industri AI. Mereka yang dulu berbicara tentang “100x berikutnya”, sekarang membahas Claude CodeOpenclaw. “crypto adalah buang-buang waktu” — kalimat ini mungkin tidak asing lagi bagi Anda.

Namun, pada 10 Maret 2026, sebuah subnet Bittensor bernama Templar diam-diam mengumumkan sesuatu.

Lebih dari 70 peserta independen dari seluruh dunia, tanpa server pusat, tanpa koordinasi dari perusahaan besar, hanya dengan mekanisme insentif Crypto, secara kolektif melatih sebuah model AI besar dengan 720 miliar parameter.

Model dan makalah terkait sudah dipublikasikan di HuggingFace dan arXiv, datanya terbuka dan dapat diverifikasi.

Yang lebih penting lagi: dalam beberapa pengujian utama, performa model ini melampaui model sekelas yang dilatih dengan biaya besar oleh Meta.

Setelah pengumuman, harga TAO diam selama hampir 2 hari. Baru pada hari ketiga mulai melonjak, dan selama 6 hari berikutnya terus meningkat, total kenaikan sekitar +40%. Mengapa ada penundaan selama 2 hari ini?

Inti dari laporan ini adalah: investor kripto melihat ini sebagai “satu lagi model sumber terbuka”, merasa tidak sebanding dengan GPT, Claude yang digunakan sehari-hari; peneliti AI tidak peduli dengan crypto. Jurang antara kedua komunitas ini sedang menciptakan peluang arbitrase kognitif.

Kerangka bacaan

Laporan ini dibagi menjadi dua bagian logis:

Bagian I — Terobosan Teknologi: menjelaskan apa yang sebenarnya dilakukan SN3 Templar dan mengapa hal ini penting dalam sejarah AI dan Crypto.

Bagian II — Signifikansi Industri: menjelaskan mengapa peristiwa ini menunjukkan bahwa ekosistem Bittensor diremehkan secara sistematis, dan mengapa Bittensor adalah harapan seluruh komunitas Crypto.

Bagian I: Terobosan dalam Pelatihan AI Terdesentralisasi

1. Apa itu SN3?

Apa yang dibutuhkan untuk melatih model bahasa besar?

Jawaban tradisional: membangun pusat data raksasa, membeli ribuan GPU kelas atas, menghabiskan ratusan juta dolar, dan dikoordinasikan oleh tim insinyur dari satu perusahaan. Ini adalah cara Meta, Google, dan OpenAI.

Pendekatan SN3 Templar: membiarkan orang-orang yang tersebar di seluruh dunia masing-masing menyediakan satu atau beberapa server GPU, seperti puzzle, menggabungkan kekuatan komputasi mereka untuk melatih satu model besar secara kolektif.

Namun, ada tantangan mendasar: jika peserta berasal dari seluruh dunia, tidak saling percaya, dan latensi jaringan tidak stabil, bagaimana memastikan hasil pelatihan valid? Bagaimana mencegah orang malas atau curang? Bagaimana memberi insentif agar mereka terus berkontribusi?

Bittensor memberikan jawaban: menggunakan token TAO sebagai insentif. Semakin efektif kontribusi mereka (dapat dipahami sebagai “perbaikan terhadap model”), semakin banyak TAO yang mereka terima. Sistem ini otomatis memberi penilaian dan pembayaran, tanpa perlu lembaga pusat untuk mengoordinasi.

Ini adalah SN3 (subnet nomor 3) dari Bittensor, dengan kode nama Templar.

Jika Bitcoin membuktikan bahwa uang terdesentralisasi itu mungkin, SN3 sedang membuktikan bahwa pelatihan AI terdesentralisasi juga mungkin.

2. Apa capaian SN3?

Pada 10 Maret 2026, SN3 Templar mengumumkan selesai melatih model bahasa besar bernama Covenant-72B.

Apa arti “72B”?: 720 miliar parameter. Parameter adalah unit penyimpanan pengetahuan dalam model AI, semakin banyak biasanya semakin pintar. GPT-3 punya 1750 miliar, LLaMA-2 (model sumber terbuka unggulan Meta) 700 miliar. Covenant-72B sekelas dengan LLaMA-2.

Seberapa besar skala pelatihannya? : sekitar 1,1 triliun kata (tokens), setara dengan sekitar 5,5 juta buku (dengan asumsi 200.000 kata per buku).

Siapa yang berpartisipasi? : lebih dari 70 peserta independen (miner), yang secara bergiliran menyumbang kekuatan komputasi (dengan batas sinkronisasi sekitar 20 node per putaran). Dimulai sejak 12 September 2025, selama sekitar 6 bulan. Tanpa server pusat, tanpa lembaga pengoordinasi.

Bagaimana performa modelnya? : Menggunakan pengujian AI utama sebagai perbandingan:

Sumber data: HuggingFace 1Covenant/Covenant-72B-Chat model card

MMLU (pengetahuan umum 57 disiplin): Covenant-72B 67,35% vs Meta LLaMA-2 63,08%

GSM8K (penalaran matematika): Covenant-72B 63,91% vs Meta LLaMA-2 52,16%

IFEval (kemampuan mengikuti instruksi): Covenant-72B 64,70% vs Meta LLaMA-2 40,67%

Semua sumber terbuka: lisensi Apache 2.0. Siapa saja bisa mengunduh, menggunakan, dan komersialkan tanpa batasan.

Dukungan akademik: makalah sudah dikirim ke [arXiv 2603.08163], teknologi inti (SparseLoCo optimizer dan mekanisme anti-cheat Gauntlet) dipresentasikan di NeurIPS Optimization Workshop.

3. Apa arti pencapaian ini?

Bagi komunitas AI sumber terbuka: sebelumnya, karena biaya dan kekuatan komputasi, melatih model besar 70B adalah hak paten dari beberapa perusahaan besar. Covenant-72B membuktikan bahwa komunitas, tanpa dukungan dana pusat, juga bisa melatih model seukuran ini. Ini mengubah batasan siapa yang berhak berpartisipasi dalam pengembangan model dasar AI.

Bagi kekuatan AI: saat ini, dominasi model dasar AI sangat terkonsentrasi — OpenAI, Google, Meta, dan Anthropic menguasai model paling kuat. Pelatihan terdesentralisasi yang berhasil berarti hambatan ini tidak mutlak tak tertembus. “Hanya perusahaan besar yang bisa membuat model dasar” mulai goyah.

Bagi industri Crypto: ini adalah kali pertama proyek crypto memberikan kontribusi teknologi nyata di bidang AI, bukan sekadar ikut-ikutan. Covenant-72B memiliki model di HuggingFace, makalah di arXiv, dan data benchmark terbuka. Ini menjadi preseden: mekanisme insentif crypto bisa menjadi infrastruktur serius untuk riset AI.

Bagi Bittensor sendiri: keberhasilan SN3 mengubah Bittensor dari sekadar “protokol AI terdesentralisasi yang secara teori memungkinkan” menjadi “infrastruktur AI terdesentralisasi yang terbukti secara praktik”. Ini adalah lompatan dari 0 ke 1.

4. Kedudukan historis SN3

Jalur pelatihan AI terdesentralisasi bukan hal pertama yang dilakukan SN3. Tapi SN3 mencapai sesuatu yang belum pernah dilakukan orang sebelumnya.

Sejarah evolusi pelatihan terdesentralisasi:

2022 — Together GPT-JT (6B): eksplorasi awal, membuktikan kolaborasi multi-mesin bisa dilakukan

2023 — SWARM Intelligence (~1B): usulan kerangka kerja pelatihan heterogen

2024 — INTELLECT-1 (10B): pelatihan terdesentralisasi lintas lembaga

2026 — Covenant-72B / SN3 (72B): model besar 72B pertama yang melampaui pelatihan terpusat di benchmark utama

Dalam waktu 4 tahun, parameter meningkat 12 kali lipat dari 6B ke 72B. Tapi yang lebih penting bukan jumlah parameter, melainkan kualitas — generasi sebelumnya hanya “bisa jalan”, Covenant-72B adalah yang pertama melampaui model pelatihan terpusat di benchmark utama.

Terobosan teknologi utama:

99% tingkat kompresi (>146x): setiap kali peserta mengunggah hasil pelatihan (gradien), data awal yang biasanya GB-an dikompresi lebih dari 146 kali. Seperti mengompresi satu musim serial TV menjadi satu gambar, dengan kerugian informasi minimal.

Hanya 6% dari biaya komunikasi: 100 orang bekerja sama, hanya 6% waktu dihabiskan untuk “komunikasi dan koordinasi”, 94% untuk pelatihan nyata. Ini mengatasi salah satu hambatan terbesar dalam pelatihan terdesentralisasi.

5. Apakah pelatihan terdesentralisasi diremehkan?

Mari lihat data dulu, baru buat penilaian.

Bukti diremehkan

MMLU 67,35% vs LLaMA-2 63,08%

MMLU-Pro 40,91% vs LLaMA-2 35,20%

IFEval 64,70% vs LLaMA-2 40,67%

Model hasil pelatihan terdesentralisasi melampaui LLaMA-2-70B yang dilatih dengan biaya besar oleh Meta.

Jika dibandingkan dengan model open-source terdepan saat ini (harus jujur):

MMLU: Covenant-72B 67,35% vs Qwen2.5-72B 86,8% vs LLaMA-3.1-70B 83,6%

GSM8K: Covenant-72B 63,91% vs Qwen2.5-72B 95,8% vs LLaMA-3.1-70B 95,1%

Jaraknya sekitar 20-30 poin persentase.

Tapi, kerangka perbandingan ini penting: Covenant-72B bukan untuk menyaingi SOTA, melainkan membuktikan bahwa pelatihan terdesentralisasi itu memungkinkan. Qwen2.5 / LLaMA-3.1 didukung oleh investasi miliaran dolar, ribuan GPU, dan tim insinyur profesional; Covenant-72B hanya melibatkan 70+ penambang independen tanpa koordinasi pusat.

Tren lebih penting daripada snapshot:

2022 — model terdesentralisasi terbaik adalah 6B, bahkan MMLU pun belum diuji secara terpisah.

2026 — model 72B, MMLU 67,35%, melampaui model sekelas Meta.

Dalam 4 tahun, pelatihan terdesentralisasi dari “eksperimen konsep” menjadi “performa sebanding dengan pelatihan terpusat”. Kurva kemajuan ini lebih menarik daripada angka benchmark tunggal.

Selain itu, jarak performa Covenant-72B di penalaran mendalam sudah memiliki solusi yang direncanakan — SN81 Grail akan melakukan pelatihan ulang (RLHF) untuk menyelaraskan dan meningkatkan kemampuan model. Ini adalah langkah utama peningkatan dari GPT-3 ke GPT-4.

Heterogeneous SparseLoCo adalah tonggak berikutnya: saat ini SN3 mengharuskan semua penambang menggunakan GPU model yang sama. Teknologi berikutnya, Heterogeneous SparseLoCo, akan memungkinkan hardware campuran (B200 + A100 + GPU konsumen) untuk berpartisipasi dalam pelatihan yang sama. Jika terwujud, kekuatan komputasi dalam pelatihan berikutnya akan jauh meningkat.

Pelatihan terdesentralisasi sudah melewati ambang kelayakan. Perbedaan performa di benchmark saat ini adalah masalah rekayasa yang perlu dioptimalkan, bukan hambatan teori mendasar.

Bagian II: Pasar Masih Belum Memahami Peristiwa Ini

Timeline harga TAO

Setelah pengumuman SN3, pergerakan harga TAO mengungkapkan penundaan persepsi ini:

Perhatikan 2 hari diam ini (3/10 → 3/12): pengumuman keluar, harga hampir tidak bergerak.

Mengapa ada penundaan?

Investor crypto melihat berita “Bittensor SN3 selesai melatih sebuah model AI” — tapi mereka mungkin tidak memahami arti teknis “72B pelatihan terdesentralisasi melampaui Meta di MMLU”.

Peneliti AI memahami arti teknis ini, tapi mereka tidak peduli crypto.

Jurang persepsi kedua komunitas ini menciptakan peluang penundaan harga sekitar 2-3 hari.

Selain itu, sebagian besar investor crypto masih memandang Bittensor dari siklus sebelumnya. Saat ini, lebih dari 79 subnet aktif di Bittensor, mencakup AI Agent, kekuatan komputasi, pelatihan AI, perdagangan AI, robot, dan bidang lain yang sangat berbeda. Ketika pasar mulai menilai ulang ekosistem Bittensor, persepsi ini akan diperbaiki — dan proses koreksi biasanya ditandai dengan lonjakan harga.

Valuasi Bittensor yang Tidak Seimbang

Letakkan Bittensor dalam konteks industri yang lebih besar:

SN3 telah membuktikan: Bittensor mampu menyelesaikan pelatihan model besar secara terdesentralisasi.

Jika di masa depan AI membutuhkan jaringan pelatihan terbuka dan tanpa izin, satu-satunya infrastruktur yang terbukti secara praktik saat ini adalah Bittensor.

Pasar sedang menilai jaringan infrastruktur AI ini berdasarkan valuasi proyek aplikasi.

Bahkan jika dibandingkan hanya dalam ekosistem Crypto: pangsa pasar Bitcoin di seluruh pasar Crypto secara jangka panjang mencapai 50-60%, sedangkan Bittensor di jalur AI Crypto hanya sekitar 11,5%.

Ketika pasar mulai memahami posisi Bittensor dalam infrastruktur AI, ketidakseimbangan ini pasti akan diperbaiki.

Kesimpulan: Bittensor adalah harapan seluruh komunitas Crypto

Jika Covenant-72B dari SN3 Templar membuktikan satu hal, itu adalah:

Jaringan terdesentralisasi tidak hanya bisa mengoordinasikan modal, tetapi juga kekuatan komputasi dan riset AI terdepan.

Dalam beberapa tahun terakhir, Crypto lebih sering berperan sebagai pendukung di narasi AI. Banyak proyek bergantung pada konsep, hype, atau narasi modal, tetapi kurang menghasilkan teknologi yang dapat diverifikasi. SN3 adalah contoh yang jelas berbeda.

Ia tidak memperkenalkan token baru, juga tidak membungkus produk “AI + Web3” di lapisan aplikasi, melainkan menyelesaikan sesuatu yang lebih mendasar dan lebih sulit:

Melatih model besar 72B tanpa koordinasi pusat.

Peserta berasal dari seluruh dunia, tidak perlu saling percaya; sistem mengandalkan insentif dan mekanisme verifikasi di blockchain untuk otomatis mengoordinasikan kontribusi dan distribusi hasil.

Mekanisme crypto pertama kali menghasilkan produktivitas nyata di bidang AI.

Banyak orang belum memahami makna historis SN3. Seperti halnya Bitcoin dulu, banyak yang tidak menyadari bahwa yang dibuktikan bukanlah “pembayaran lebih baik”, melainkan konsensus nilai tanpa pusat.

Hari ini, banyak yang hanya melihat benchmark, peluncuran model, atau kenaikan harga sementara.

Tapi perubahan nyata adalah bahwa Bittensor membuktikan:

Crypto tidak hanya mampu menerbitkan aset, tetapi juga mampu mengorganisasi produksi

Crypto tidak hanya mampu memperdagangkan perhatian, tetapi juga mampu menghasilkan kecerdasan

Komunitas sumber terbuka bisa berkontribusi kode, akademisi bisa berkontribusi makalah, tetapi ketika masalah melibatkan pelatihan skala besar, kolaborasi jangka panjang, penjadwalan lintas wilayah, anti-cheat, dan distribusi hasil, niat baik dan reputasi saja tidak cukup:

Tanpa insentif ekonomi, tidak ada pasokan yang stabil

Tanpa mekanisme penghargaan dan hukuman yang dapat diverifikasi, tidak ada kolaborasi jangka panjang

Tanpa mekanisme koordinasi tokenisasi, tidak akan terbentuk jaringan produksi AI global yang benar-benar tanpa izin dan terdesentralisasi

Jadi, apakah Bittensor diremehkan? Jawabannya bukan “mungkin”, tetapi “sangat dan secara sistematis diremehkan.”

Dalam debat besar tentang “Apakah Crypto masih relevan?”, Bittensor sedang memberikan jawaban paling kuat di seluruh industri.

Dan karena itu: Bittensor adalah harapan seluruh komunitas Crypto.